Menjadi yang terbaik tentunya sangat membanggakan. Namun, menjadi yang terbaik tentu juga memerlukan usaha. Pada wisuda periode Pascasarjana Oktober 2019, Feddy Setio Pribadi (Teknik Elektro) tercatat sebagai doktor terbaik FT UGM. Sementara itu, pada program magister ada nama Setyo Tri Windras Mara (Teknik Industri).
Berikut singkat profil dua wisudawan tersebut.
Feddy Setio Pribadi –
Feddy menyelesaikan studi dalam waktu 3 tahun 11 bulan, dengan IPK 4.0. Dosen Jurusan Teknik Elektro FT Unnes ini menulis disertasi berjudul Penilaian Pertanyaan Uraian Singkat Menggunakan Pembangkitan Jawaban Kunci Otomatis dan Geometry Average Normalized-Longest Common Subsequence (GAN-LCS).
Berikut uraian abstrak disertasinya:
Penilaian uraian singkat otomatis atau disebut juga Automatic Short Answer Scoring (ASAS) adalah salah satu media assessment pada e-learning. Pemanfaatan ASAS dalam proses assessment pada e-learning masih kurang dibandingkan dengan penilaian otomatis pertanyaan pilihan ganda. Hal ini disebabkan metode-metode yang telah dikembangkan oleh peneliti ASAS belum mampu memberikan skor yang sepadan dengan skor yang dihasilkan oleh guru. Maka dari itu, masih terbuka banyak ruang penelitian untuk mengembangkan metode-metode yang diterapkan pada ASAS.
ASAS pada prinsipnya adalah membandingkan antara jawaban siswa dan jawaban kunci dengan menggunakan metode terkomputerisasi. Hasil dari proses pembandingan ini kemudian digunakan sebagai dasar untuk menentukan skor siswa. Terdapat dua hal yang krusial dalam proses pembandingan tersebut, pertama adalah penyediaan jawaban kunci yang memadai sehingga mampu menangkap keberagaman dari jawaban siswa. Kedua adalah tersedianya sebuah metode yang mampu digunakan untuk mengukur kesamaan antara jawaban siswa yang beragam dengan jawaban kunci.
Penyediaan jawaban kunci dapat dilakukan dengan dua cara yaitu manual dan otomatis. Penyediaan jawaban kunci secara manual sangat tergantung dari kemampuan guru dalam menciptakan variasi jawaban dan membutuhkan waktu yang lama. Di sisi lain penyediaan jawaban kunci dengan cara otomatisasi masih membutuhkan proses yang kompleks, salah satunya harus menyediakan korpus sesuai dengan materi yang diujikan. Sebuah mekanisme penyediaan jawaban kunci yang mampu menghasilkan variasi jawaban kunci yang memadai serta tidak membutuhkan proses yang kompleks masih perlu mendapatkan perhatian.
Sementara itu, beberapa metode pengukuran kesamaan kalimat pada ASAS yang telah dikembangkan juga masih mempunyai celah, yaitu tidak dapat secara langsung diterapkan pada topik dan bahasa yang berbeda. Salah satu metode pengukuran kesamaan kalimat yang dapat diterapkan secara langsung tanpa melalui pembelajaran adalah metode yang berbasis pada string similarity. Metode ini masih mempunyai kekurangan pertama, masih belum akurat untuk mengukur kalimat yang bermakna sama dengan menggunakan kosakata berbeda. Kedua, belum akurat untuk mengukur kalimat yang bermakna sama tetapi mempunyai panjang yang sangat berbeda. Permasalahan yang kedua pada string similarity ini yang menjadi fokus penelitian pada disertasi ini.
Pada disertasi ini diusulkan dua metode untuk menyelesaikan permasalahan yang masih terdapat pada ASAS. Pertama adalah mengusulkan penerapan metode Maximum Marginal Relevance (MMR) untuk membangkitkan variasi jawaban kunci secara otomatis. Kedua adalah mengusulkan metode baru yaitu Geometry Average Normalized-Longest Common Subsequence (GAN-LCS) yang mampu digunakan untuk mengukur kesamaan kalimat yang mempunyai makna sama akan tetapi mempunyai perbedaan panjang yang besar. Dari hasil penelitian didapatkan bahwa metode MMR mampu membangkitkan jawaban kunci yang berasal dari jawaban siswa dengan sebesar 91,95. Sedangkan Kinerja GAN-LCS menghasilkan nilai Root Mean Square Error (RMSE) sebesar 0,884 dan nilai korelasi sebesar 0,468.
Setyo Tri Windras Mara –
Setyo menyelesaikan studi dalam waktu 1 tahun 11 bulan, dengan IPK 4.0, dengan tesis berjudul Optimasi Rantai Pasok Menggunakan Pendekatan Multi-Objective Sustainable Location-Routing Problem dan Multi-Objective Sine-Cosine Algorithm (Studi Kasus di Daerah Istimewa Yogyakarta, Indonesia).
Berikut uraian abstrak tesisnya:
Location-routing problem (LRP) adalah area riset logistik yang mengkombinasikan dua aktivitas perencanaan klasik: facility location problem (FLP) dan vehicle routing problem (VRP). Tujuan utama dari perencanaan jaringan distribusi adalah untuk meminimasi biaya dari sistem, yang merepresentasikan tujuan ekonomis dari firma. Namun, untuk menjaga kelestarian, kini firma pun dituntut untuk memberikan perhatian terhadap isu sustainability, seperti memperhatikan keseimbangan beban kerja dari pekerja dan mengurangi produksi emisi dari kegiatan operasional. Hambatan muncul karena isu sustainability berpotensi menimbulkan konflik dengan tujuan ekonomis perusahaan, sehingga diperlukan usaha untuk menemukan titik solusi yang optimal.
Tinjauan literatur hanya menemukan sedikit literatur di LRP yang telah membahas isu sustainability secara komprehensif. Maka dari itu, studi ini ditujukan untuk memberikan kontribusi di area tersebut dengan membangun sebuah model multi-objective sustainable LRP. Model yang dibangun mempertimbangkan tiga fungsi tujuan: (1) meminimalkan total biaya yang terkait dengan pengadaan fasilitas, kendaraan, dan kegiatan distribusi, (2) menyeimbangkan beban kerja dalam kegiatan distribusi, dan (3) meminimalkan produksi emisi CO2 dari kegiatan transportasi. Tujuan utama dari model ini adalah untuk menentukan lokasi dan jumlah optimal dari pusat distribusi, jumlah kendaraan yang diperlukan, dan rute pengiriman yang dapat mengoptimalkan ketiga fungsi tujuan tersebut.
Guna mengoptimalkan model yang telah dibangun, studi ini mengimplementasikan metaheuristik baru untuk multi-objective routing problem, bernama multi-objective sine-cosine algorithm (MOSCA). Algoritma ini dimodifikasi dengan metode transformasi diskret untuk bekerja dalam semesta pembicaraan yang bersifat diskret. Kemudian, performa dari algoritma MOSCA dievaluasi dengan menggunakan beberapa data benchmark dan diaplikasikan untuk menyelesaikan studi kasus. Hasil yang diperoleh kemudian dibandingkan dengan hasil dari tiga metaheuristik klasik, yaitu non-dominated sorting genetic algorithm-II (NSGA-II), multi-objective particle swarm optimization (MOPSO), dan Pareto archived evolution strategy (PAES).
Hasil eksperimen menunjukkan bahwa, berdasarkan lima indikator performa, MOSCA memiliki performa yang lebih baik dibandingkan ketiga algoritma lainnya. MOSCA meraih hasil terbaik di number of Pareto solution (NPS), measured spread (MS), mean-ideal distance (MID), dan spacing metrics (SM) untuk menyelesaikan data benchmark dari Tuzun dan Burke (1999). MOSCA juga memberikan nilai NPS, MS, dan MID terbaik dalam studi kasus di Daerah Istimewa Yogyakarta, Indonesia. Efektivitas dari MOSCA kemudian ditunjukkan dengan menghasilkan 48 solusi Pareto optimal yang dapat dipilih oleh decision maker guna menyelesaikan studi kasus yang diberikan. (Humas FT: Purwoko/Sumber: Feddy dan Setyo/Foto: Eko)